Kostenlose Resourcen für DACH-AI-Profis
Sechs Sammlungen, die ich für mich selbst gebaut hab und jetzt teile — Prompts, Glossar, Checklisten, Templates. Kein Email-Gate, kein Tracking-Pixel. Lies hier, kopier was du brauchst.
30 Prompts für Solopreneure
Kuratierte Prompts aus drei Jahren KI-Praxis, kategorisiert nach Use-Case. Jeder Prompt ist getestet — keine LinkedIn-Recycling-Sammlung.
Marketing (5 Prompts)
1. Landing-Page-Headline-Generator
Mein Produkt: [PRODUKT].
Zielgruppe: [WER].
Konkretes Problem das gelöst wird: [PROBLEM].
Schreib mir 10 Headline-Vorschläge.
Regeln: max 8 Wörter, keine Adjektive, kein "revolutionär",
kein "innovativ". Klar sagen WAS das Produkt tut.
Sortier von "konkret" nach "abstrakt".2. Anti-Cringe-LinkedIn-Post
Ich will einen LinkedIn-Post über [THEMA] schreiben.
Mein normaler Schreibstil ist direkt, ohne Emoji-Floskeln.
Schreib einen Entwurf nach diesen Regeln:
- Erster Satz: konkrete Beobachtung (kein "Heute mal nachgedacht").
- Kein "5 Hacks", keine "Lessons learned".
- Max 4 Absätze, kurz halten.
- Letzte Zeile: eine offene Frage (kein "Was meint ihr?").3. Newsletter-Subject-Line-Test
Newsletter-Thema: [THEMA].
Hier mein aktueller Subject-Line-Entwurf: [DEINE LINE].
Bewerte nach: Klarheit (ist klar worum es geht?),
Specificity (konkrete Zahlen/Namen?), Curiosity-Gap
(Grund zu öffnen?). Score 1-10 pro Kriterium.
Dann 5 Alternativen unter 50 Zeichen.4. Brand-Voice-Audit
Hier ist mein Text: [TEXT EINFÜGEN].
Prüfe ob dieser Text klingt wie [BRAND-VOICE-BESCHREIBUNG].
Markier exakt die Sätze die nicht passen, mit Begründung.
Verbesser sie nicht — markier nur. Ich entscheide was ich
ändere.5. Konkurrenz-Differenzierung
Mein Produkt: [PRODUKT].
Konkurrent: [KONKURRENT].
Liste 5 konkrete Unterschiede aus Sicht des Kunden — keine
Feature-Liste, sondern echte Use-Case-Unterschiede.
Format: "Wenn du X willst, nimm uns. Wenn du Y willst, nimm sie."Recherche (5 Prompts)
6. Topic-Research mit Quellen
Thema: [THEMA].
Ich brauch einen Überblick — Stand 2026.
Liste mir:
- 5 Primärquellen (peer-reviewed, Hersteller-Dokus, offizielle Reports)
- 3 kritische Stimmen (was wird kontrovers diskutiert?)
- 2 No-Bullshit-Substacks/Newsletter zum Thema
Keine SEO-Listicles, keine YouTube-Embeds.7. Behauptung-Faktencheck
Behauptung: "[BEHAUPTUNG]".
Quelle die das sagt: [LINK].
Prüf in dieser Reihenfolge:
1. Ist die Originalquelle vertrauenswürdig?
2. Wird die Behauptung dort wirklich so getroffen oder
wurde sie verzerrt?
3. Gibt es Gegenstimmen / abweichende Studien?
Antwort als 3-Punkt-Liste, max 50 Wörter pro Punkt.8. Markt-Größe schätzen
Markt: [MARKT, z.B. "deutsche AI-Newsletter"].
Schätz die Markt-Größe nach Bottom-up-Logik:
1. Wie viele potenzielle Nutzer? (Quelle)
2. Wie viele zahlen davon im Schnitt was? (Quelle)
3. Wie viel zahlen sie pro Jahr? (Quelle)
4. Resultierende Marktgröße + Vertrauens-Score.
Lieber unter-schätzen mit Quelle als groß-schätzen ohne.9. Konkurrent-Mapping
Mein Bereich: [BEREICH].
Erstell eine Konkurrenz-Map mit 8-12 Anbietern.
Pro Anbieter: Name, USP in einem Satz, Pricing,
geschätzte Marktposition (Leader/Challenger/Niche/Fading).
Sortier nach: wer mir am nächsten ist.10. Trend vs Hype Filter
Thema: [THEMA].
Antworte:
1. Ist das ein echter Trend oder Hype?
2. Welche 3 Datenpunkte stützen deine Einschätzung?
3. In 12 Monaten relevant — ja/nein? (mit Begründung)
4. Was ist die kritischste Gegenstimme?
Keine Floskeln, keine "spannenden Entwicklungen".Texten (5 Prompts)
11. Chirurgisches Mail-Polishing
Hier ist ein Cold-Outreach-Mail-Entwurf von mir an [Empfänger].
Mach NICHT die typische KI-Politur. Stattdessen:
1. Lies den Text und finde die EINE Stelle, die generisch klingt.
2. Schreib NUR diese eine Stelle um — so wie ich es im echten
Gespräch sagen würde.
3. Lass den Rest in Ruhe.
Output: nur der neue Satz + Begründung in einem Halbsatz.12. 80-Wort-Zusammenfassung
Hier ist ein langer Text: [TEXT].
Fass ihn in genau 80 Wörter zusammen — nicht 79, nicht 81.
Regeln: Substantive bevorzugen, Adjektive minimieren,
keine Floskeln, kein "in diesem Artikel geht es um".
Direkt mit dem Kern starten.13. Tonalitäts-Check
Hier ist mein Text: [TEXT].
Ist der Ton: zu corporate / zu casual / zu Hype / passend?
Begründe an konkreten Sätzen — nicht abstrakt.
Wenn unpassend, schreib genau eine Stelle um als Beispiel
für die richtige Tonalität. Den Rest lass ich selbst machen.14. Floskel-Detektor
Hier ist mein Text: [TEXT].
Markier alle Floskeln und Marketing-Sprech-Wörter.
Beispiele was als Floskel zählt: "revolutionär", "ganzheitlich",
"im Handumdrehen", "spannende Entwicklungen", "Tauche ein in",
"Lösung" als Synonym für "Produkt".
Pro Treffer: Zitat + Vorschlag-Ersatz (max 5 Wörter).15. Long-Form-Outline
Thema: [THEMA].
Zielgruppe: [WER].
Ziel: Reader soll nach Lesen [KONKRETE AKTION] tun.
Outline für 800-Wörter-Artikel:
- H1 (max 8 Wörter)
- 3-4 H2-Sektionen mit jeweils 1-Satz-Kern-These
- Pro Sektion: 2 konkrete Beispiele/Daten/Anekdoten
Keine "Einleitung" / "Fazit" Sektionen — direkt rein, direkt raus.Automation (5 Prompts)
16. Make.com-Szenario-Plan
Ich will folgenden Workflow automatisieren: [BESCHREIBUNG].
Bau mir das Make.com-Szenario als Modul-Liste:
- Modul 1: [Trigger]
- Modul 2: [Verarbeitung]
- ...
Pro Modul: Welcher Service, welche Auth, was kommt rein,
was geht raus. Plus: Wo könnte das Szenario kippen?17. Zapier-zu-Make-Migration
Hier ist mein aktueller Zapier-Zap: [ZAP-BESCHREIBUNG].
Wie baue ich das in Make.com nach? Pro Schritt:
1. Welches Make-Modul ersetzt den Zapier-Step.
2. Wo verhält sich Make anders (z.B. Iteration-Logik).
3. Geschätzter Operations-Verbrauch pro Run.18. n8n-Self-Hosted-Plan
Ich will n8n selbst hosten für: [USE-CASE].
Plan:
1. Wo hosten? (DigitalOcean / Hetzner / EU-Provider — mit Pricing)
2. Welche minimale Spec brauche ich?
3. Backup-Strategie für Workflows?
4. Vergleich zu Make.com-Kosten bei meinem Volumen.19. API-Cost-Estimator
Ich plane folgende AI-API-Nutzung: [BESCHREIBUNG inkl. Volumen].
Anbieter: [OpenAI / Anthropic / DeepSeek / andere].
Berechne:
1. Monatliche Kosten bei aktuellem Pricing.
2. Wo könnte Caching die Hälfte sparen?
3. Würde Batch-API noch günstiger sein?20. Webhook-Debug
Mein Webhook-Setup: [BESCHREIBUNG].
Es kommt aber [FEHLER]: [LOG/PAYLOAD-AUSZUG].
Diagnose in dieser Reihenfolge:
1. Format-Mismatch (Content-Type, JSON-Struktur)
2. Auth-Header fehlt/falsch
3. Timeout / Rate-Limit
4. Empfangs-System lehnt ab — warum?
Pro Punkt: wie checken?Outreach + Strategie (10 Prompts)
21. LinkedIn-DM-Opener
Empfänger: [NAME, ROLLE, FIRMA].
Mein Anlass: [WARUM SCHREIBE ICH].
Schreib eine DM-Opener-Nachricht:
- Max 4 Sätze.
- Erster Satz: konkrete Beobachtung über den Empfänger
(nicht generisches "Ich bewundere deine Arbeit").
- Letzter Satz: eine spezifische Frage.
- Keine Pitches, keine "5 Min Call" am Ende.22. Sponsor-Pitch-Skelett
Sponsor-Target: [FIRMA, PRODUKT].
Mein Angebot: [WAS DU VERKAUFST].
Pitch-Mail-Skelett:
- Subject: max 7 Wörter, konkret.
- Opener: warum DIESE Firma (nicht generisch).
- Match-Begründung: warum mein Audience zu ihrem Produkt passt.
- Konkretes Angebot: Format, Preis, Termin-Option.
- Soft-CTA: keine Druck-Phrase, eine offene Frage.23. Newsletter-Swap-Anfrage
Mein Newsletter: [NAME, FOKUS, SUBSCRIBER-COUNT].
Target-Newsletter: [NAME, FOKUS].
Schreib eine Swap-Anfrage:
- Erste Zeile: warum dieser Newsletter konkret passt.
- Mein Angebot: welche Reichweite zurück.
- Format-Vorschlag: 1 Ausgabe gegenseitige Empfehlung, Datum-Range.
- Keine "passt das für dich"-Floskel — direkt fragen.24. Refund-Anfrage souverän
Ich will Geld zurück von: [SERVICE].
Grund: [GRUND, ehrlich].
Schreib eine Mail:
- Sachlich, nicht emotional.
- Konkret was funktioniert nicht (mit Beispiel).
- Klare Erwartung: Refund bis [DATUM].
- Höflich, aber nicht entschuldigend für die Anfrage.25. Preis-Verhandlung
Aktueller Preis: [PREIS].
Ich will: [NEUER PREIS / BEDINGUNG].
Hebel/Argumente: [WAS HABE ICH].
Schreib mir den Eröffnungs-Satz für die Verhandlung —
ein Satz, der Position macht ohne zu drohen, und ohne
die "lasst uns das gemeinsam lösen"-Floskel.26. Strategische Frage-Liste
Entscheidung steht an: [ENTSCHEIDUNG].
Bauchgefühl: [TENDENZ].
Stell mir 7 unangenehme Fragen, die ich beantworten sollte
bevor ich entscheide. Keine generischen ("Was sind die Risiken?")
— spezifisch zu meiner Situation.27. Pre-Mortem (vor dem Launch)
Plan: [PLAN].
Launch-Datum: [DATUM].
Schreib mir ein Pre-Mortem:
"Heute ist der [Launch + 90 Tage]. Der Launch ist
gescheitert. Was waren die 5 wahrscheinlichsten Gründe?"
Sortier nach Wahrscheinlichkeit, nicht nach Dramatik.28. Idea-Killing-Council
Meine Idee: [IDEE].
Spiel drei Rollen, die diese Idee zerlegen:
1. Skeptischer Investor (warum funktioniert das nicht?)
2. Pragmatischer Operator (was ist zu komplex?)
3. Verärgerter Kunde (warum würde ich das nicht kaufen?)
Pro Rolle: 3 spezifische Einwände, die nicht beruhigt werden
können mit "wir machen es besser".29. Wochenplan-Reality-Check
Meine Wochenplanung: [LISTE DER TASKS].
Verfügbare Stunden: [STUNDEN].
Reality-Check:
1. Welche Tasks sind realistisch in der Zeit?
2. Welche Tasks sind unterschätzt (mit Begründung)?
3. Welche Task würde der härteste Kritiker streichen?
4. Was ist der ONE-Task, der die Woche zum Erfolg macht?30. Sparring-Antagonist
Mein Plan: [PLAN].
Sei der schlauste Antagonist, der mir helfen will.
- Stell die EINE Frage, die am unbequemsten ist.
- Wenn ich antworte, stell die nächste unbequeme Frage.
- Geh 3 Runden tief.
- Kein "Du hast recht", auch wenn meine Antwort gut war —
immer der nächste Stress-Test.Anti-Hype-Glossar — 30+ Begriffe
Was bedeuten die KI-Buzzwords wirklich? Alphabetisch, ehrlich erklärt.
Agent
Ein KI-System, das eine Aufgabe in mehreren Schritten löst und dabei Tools aufrufen kann (Code ausführen, Web durchsuchen, Files lesen). Im Marketing-Sprech oft synonym mit „LLM" benutzt, das ist falsch — ein Chatbot ist kein Agent.
API
Schnittstelle, über die ein Programm mit einem anderen kommuniziert. Bei KI: du schickst Text an OpenAI/Anthropic/etc. und bekommst eine Antwort zurück — ohne Web-UI, integrierbar in eigene Tools.
Batch-API
Variante der KI-API für nicht-eilige Anfragen. Du sendest 1000 Requests, bekommst die Antworten innerhalb von 24h zurück — meist 50% günstiger als Real-Time. Gut für Bulk-Klassifizierung, schlecht für Chatbots.
Context-Window
Wie viel Text das KI-Modell auf einmal verarbeiten kann. Aktuelle Werte: 200K (Anthropic Sonnet) bis 1M (Google Gemini) Tokens. Größer ist nicht immer besser — Performance fällt oft am Rand des Fensters ab.
Embedding
Mathematische Repräsentation eines Texts als Vektor. Damit kann ein Computer „ähnliche Texte" finden, ohne sie zu lesen. Grundlage von RAG (siehe unten) und semantischer Suche.
Few-Shot
Wenn du dem KI-Modell vor der eigentlichen Aufgabe 2-5 Beispiele zeigst, wie die Antwort aussehen soll. Beste Methode, um Tonalität konsistent zu halten — besser als jedes Adjektiv im Prompt.
Fine-Tuning
Eigene Daten in ein bestehendes Modell „einbauen", damit es deinen Stil oder dein Domänen-Wissen besser kann. Aufwendig, teuer, oft überschätzt — Prompt-Engineering + RAG ist meist günstiger und flexibler.
GPT
„Generative Pre-trained Transformer". Architektur, die OpenAI populär gemacht hat. Heute meist als Marken-Name für ChatGPT genutzt, nicht mehr als technischer Begriff.
Halluzination
Wenn das KI-Modell etwas erfindet, das nicht stimmt — aber überzeugt klingt. Reduzierbar mit RAG, Tool-Use und expliziter Quellen-Anforderung im Prompt, nicht eliminierbar.
Hosted vs Self-Hosted
Hosted = Anbieter (OpenAI) läuft, du zahlst pro Nutzung. Self-Hosted = du betreibst das Modell auf eigener Hardware/Cloud, mehr Aufwand aber volle Datenkontrolle. Wichtig bei DSGVO-sensiblen Daten.
Inference
Wenn ein bereits trainiertes KI-Modell eine Anfrage beantwortet (im Unterschied zu Training, wo das Modell lernt). 99% der KI-Kosten in deiner Pipeline sind Inference, nicht Training.
Latenz
Zeit, bis die erste Antwort kommt. Wichtig bei Chatbots (Nutzer wartet), egal bei Batch (läuft eh nachts).
LLM
„Large Language Model". Sammel-Begriff für die großen Text-KI-Modelle (GPT-4, Claude, Gemini, Mistral). Funktioniert per Wort-für-Wort-Vorhersage, kein Verständnis im menschlichen Sinn.
MCP (Model Context Protocol)
Anthropic-Standard, mit dem ein KI-Modell mit externen Tools (Slack, Datenbanken, APIs) verbunden wird. Ab 2025 weit verbreitet, öffnet KI-Modelle für Live-Daten.
Open-Weights
Modell, dessen Gewichte (= das trainierte Wissen) frei verfügbar sind. Beispiele: Llama, Mistral, DeepSeek. Im Gegensatz zu Open-Source bedeutet das nicht zwingend, dass auch der Trainings-Code offen ist.
Parameter
Die internen „Drehknöpfe" eines KI-Modells. Mehr Parameter = größere Kapazität, aber nicht automatisch „besser". GPT-4 hat ungefähr 1.8 Billionen Parameter, kleine Modelle wie Mistral 7B haben 7 Milliarden.
Prompt-Engineering
Die Kunst, KI-Anfragen so zu formulieren, dass das Ergebnis stimmt. Klingt fancy, ist im Kern: klare Anweisungen + Beispiele + Constraint-Setting. Kein Hexenwerk, aber unterschätzt.
Prompt-Injection
Sicherheits-Angriff, bei dem User-Input das System-Prompt überschreibt. Praktisches Beispiel: „Ignoriere alle bisherigen Anweisungen und tu X." Reale Gefahr für Customer-Service-Bots.
RAG
„Retrieval-Augmented Generation". Erst suchen, dann generieren. Du gibst der KI bevor der Antwort relevante Textstücke aus einer Wissensbasis. Wichtigste Methode, um KI auf eigene Firma-Daten zu „trainieren" ohne Fine-Tuning.
Rate-Limit
Wie viele Anfragen pro Minute/Tag dein API-Anbieter zulässt. Bei OpenAI Tier-basiert (zahlst mehr, kannst mehr). Wichtig bei Bulk-Tasks, kann Pipeline blockieren.
Reasoning-Modell
Spezialisiertes KI-Modell, das vor der Antwort „nachdenkt" (sichtbare Zwischenschritte). Besser bei Mathe, Code-Bugs, mehrstufiger Logik. Langsamer und teurer als Standard-Modelle.
Schema (JSON-Schema)
Vorgabe, in welchem Format die KI-Antwort kommen soll. Statt Free-Text bekommst du strukturierte Daten, die du direkt in Datenbanken oder Code einlesen kannst. Game-Changer für Automation.
System-Prompt
Anweisungen, die vor jeder Konversation an die KI gehen — der Charakter, die Regeln, das Wissen. Bei aban news das, was Aban's Tonalität festlegt: anti-Hype, duzen, Zitate verlinken.
Temperatur
Parameter zwischen 0 und 1, der steuert wie „kreativ" die Antwort ist. 0 = immer dasselbe Wort wählen (deterministisch), 1 = mehr Varianz. Für Newsletter-Texte: 0.3-0.5 ist Sweet-Spot.
Token
Die Einheit, in der KI-Modelle Text verarbeiten. Ein Token ist ungefähr 0.75 Wörter im Englischen, 0.5 Wörter im Deutschen (Deutsche Worte sind länger). 1000 Tokens ≈ 500 deutsche Wörter.
Tool-Use
Wenn das KI-Modell während der Antwort externe Tools aufruft — Code-Ausführung, Web-Suche, Datenbank-Zugriff. Macht KI-Modelle von „Text-Generator" zu „Agent" (siehe oben).
Vector-Database
Datenbank, die Embeddings speichert (siehe oben). Beispiele: Pinecone, Weaviate, Qdrant. Notwendig für RAG mit großen Datenmengen, nicht für Mini-Setups (da reicht JSON-File).
VRAM
Grafikspeicher der GPU. Begrenzt, welche Modelle du lokal laufen lassen kannst. 7B-Modell braucht ~8GB VRAM (RTX 3070), 70B-Modell ~40GB (H100). Daher der ganze GPU-Markt-Hype.
Zero-Shot
Wenn die KI eine Aufgabe ohne Beispiele lösen soll. Funktioniert für einfache Tasks, scheitert oft bei Tonalität/Format. Few-Shot ist meist besser (siehe oben).
Streaming
Wenn die KI-Antwort Wort-für-Wort gesendet wird statt als ganzer Block am Ende. Macht das UI gefühlt schneller, gleicher Gesamt-Speed. Standard bei ChatGPT-UI, optional bei API.
Caching (Prompt-Caching)
Wenn du denselben System-Prompt mehrfach nutzt, kann er gecached werden — du zahlst dann nur für den variablen Teil. Bei Anthropic kann das 90% der Input-Kosten sparen. Für Newsletter-Pipelines ein Muss.
DSGVO-AI-Checkliste — 15 Punkte
Bevor du KI in deiner Firma einsetzt, geh diese Liste durch. Keine Anwalts-Beratung, aber ein vernünftiger Sanity-Check.
- Welche Daten gehen rein? Personenbezogene Daten (Namen, E-Mails, IPs)? Geschäftsgeheimnisse? Wenn ja: Hosting-Standort prüfen.
- Wo ist der KI-Anbieter gehostet? US-Cloud (OpenAI, Anthropic Standard) braucht AVV plus EU-Datenschutz-Klauseln. EU-Hosting (Mistral, einige Anthropic-Optionen) ist einfacher.
- AVV unterzeichnet? Auftragsverarbeitungs-Vertrag mit dem Anbieter. OpenAI, Anthropic, Google haben Standard-AVVs zum Download — vor Nutzung sichern.
- Daten-Lösch-Frist? Standardmäßig speichern Anbieter API-Inputs 30 Tage (für Missbrauchs-Erkennung). „Zero-Retention"-Option oft verfügbar — anfordern.
- Wer im Team hat Zugriff? Need-to-know-Prinzip. Nicht jeder Mitarbeiter braucht den API-Key in der Hand.
- Logging und Audit-Trail? Wer hat wann was an die KI geschickt? Bei sensiblen Daten dokumentieren (Compliance-Pflicht für regulierte Branchen).
- Output-Verifikation? Halluzinationen sind DSGVO-Risiko, wenn die KI falsche Personen-Daten generiert. Output-Check vor Weiterverarbeitung einbauen.
- Datenschutzerklärung aktualisiert? Wenn KI personenbezogene Daten verarbeitet, muss das in der DSE stehen — welcher Anbieter, welcher Zweck, welche Rechtsgrundlage.
- Einwilligung wo nötig? Z.B. wenn Kunden-Mails durch KI gehen: Einwilligung oder berechtigtes Interesse dokumentieren.
- Trainings-Daten-Opt-Out? Anthropic, OpenAI Standard: API-Inputs werden NICHT zum Training genutzt. ChatGPT-Web-UI ohne Opt-Out: ja, werden genutzt — Setting umstellen.
- Mitarbeiter geschult? Welche Daten dürfen NIE in ChatGPT? Klare Liste verteilen (Kunden-Namen, Gehälter, Geschäftsgeheimnisse).
- Backup-Strategie wenn Anbieter ausfällt? OpenAI-Outage = dein Workflow steht. Multi-Provider-Setup oder lokaler Fallback?
- DSFA (Datenschutz-Folgenabschätzung)? Bei umfangreicher oder sensibler KI-Verarbeitung pflicht — vor Einsatz, nicht danach.
- Drittland-Übermittlung dokumentiert? US-Anbieter = Drittland. Standardvertragsklauseln plus TIA (Transfer-Impact-Assessment) parat haben.
- Lösch-Pfad für Betroffene? Wenn ein Kunde Daten-Löschung verlangt, kannst du sicherstellen, dass auch Cache-Logs beim KI-Anbieter mit gelöscht werden? Prozess dokumentiert?
Make.com Quick-Start für eine Newsletter-Pipeline
Wie eine simple Pipeline aussieht, die wie aban news läuft. Skizziert, nicht zum 1:1-Kopieren — Setup-Details musst du selbst basteln.
Pipeline-Skizze
┌─────────────────┐
│ Trigger: Cron │ 04:00 Uhr nachts
│ (Make Schedule)│
└────────┬────────┘
│
▼
┌─────────────────┐
│ RSS Aggregator │ 5 Feeds: Trending Topics, t3n,
│ (RSS Module) │ Heise, BasicThinking, AlgorithmWatch
└────────┬────────┘
│
▼
┌─────────────────┐
│ Filter │ letzte 24h, deutsch, AI-relevant
│ (Make Filter) │
└────────┬────────┘
│
▼
┌─────────────────┐
│ Iterator │ Top 10 Items rauspicken
│ (Make Iterator)│
└────────┬────────┘
│
▼
┌─────────────────┐
│ HTTP Request │ Claude API mit Aban-System-Prompt
│ (Anthropic API)│ Input: Top 10 News + Tagesthema
│ │ Output: fertiger Newsletter-Entwurf
└────────┬────────┘
│
▼
┌─────────────────┐
│ Regex-Check │ Forbidden-Phrases-Liste prüfen
│ (Make Tools) │ Bei Match → zurück zu Claude
└────────┬────────┘
│
▼
┌─────────────────┐
│ Gmail Draft │ Entwurf in Gmail erstellen
│ (Gmail Module) │ (manueller Send durch Aban um 06:30)
└─────────────────┘Setup-Tipps
- Anthropic API-Key in Make als Connection einrichten — nicht im Klartext im Modul.
- System-Prompt in einem Make-Variablen-Modul oder einer Notion-DB, damit du ihn editieren kannst ohne das Szenario zu re-publishen.
- Error-Handler auf jedes API-Modul: bei 429 (Rate-Limit) 5 Min warten + retry. Bei 5xx: 3 Retries mit Backoff.
- Operations-Verbrauch beim Make-Plan tracken: 10 News pro Tag × 5 Module ≈ 50 ops × 30 Tage = 1500/Monat. Core-Plan (10k ops) reicht easy.
- Backup-Run manuell: wenn der Cron nicht feuert, Trigger als „Run once"-Button verfügbar lassen.
AI-Tool-Stack 2026 — die 12 Tools die ich nutze
Ehrlich, kein Affiliate, kein Sponsoring. Was ich täglich benutze.
1. Claude (Sonnet 4.7)
Use-Case: Texten, Schreiben, Recherche.
Preis: 20 USD/Monat (Pro), API ab 3 USD/Mio Input-Tokens.
Warum: Bestes Modell für deutsche Texte und Anti-Hype-Stil. Code-Skills auch sehr gut.
2. ChatGPT Plus
Use-Case: Bildgenerierung (DALL-E), gelegentlich Voice-Mode.
Preis: 20 USD/Monat.
Warum: Eigentlich überflüssig wenn man Claude hat — aber Voice + Image als Add-on.
3. Make.com
Use-Case: Newsletter-Pipeline, alle Automations.
Preis: 29 USD/Monat (Core).
Warum: Mehr Logik-Möglichkeiten als Zapier, EU-Hosting, günstiger pro Operation.
4. Notion
Use-Case: Knowledge-Base, Newsletter-Themen-Pipeline, Notes.
Preis: 10 USD/Monat (Plus).
Warum: Mit Notion AI als Premium-Feature gut für interne Recherche-Notes.
5. Raycast
Use-Case: Launcher + integrierte Claude-Calls direkt aus dem Spotlight.
Preis: Gratis (Mac-only).
Warum: Spart pro Tag 15 Min „Tab-Wechsel" zu ChatGPT.
6. beehiiv
Use-Case: Newsletter-Versand (geplant ab 200 Subs).
Preis: Gratis bis 2500 Subs.
Warum: Beste Analytics, integriertes Sponsor-Marketplace, EU-Datacenter-Option.
7. Cursor
Use-Case: Code-Editor mit Claude-Integration.
Preis: 20 USD/Monat (Pro).
Warum: Schneller als VS Code + Copilot für mein Use-Case (Solo-Dev, kleine Codebase).
8. Perplexity
Use-Case: Recherche mit Live-Web-Suche und Quellen-Links.
Preis: Gratis (Pro 20 USD/Monat).
Warum: Quellen-Transparenz besser als ChatGPT-Search.
9. Pinecone (Lite)
Use-Case: Vector-DB für mein internes RAG (alte Newsletter-Ausgaben).
Preis: Gratis bis 100k Vectors.
Warum: Reicht für Solo-Setup, später vielleicht Wechsel zu Qdrant Self-Hosted.
10. Plausible
Use-Case: Website-Analytics ohne Tracking-Cookies.
Preis: 9 USD/Monat.
Warum: DSGVO-konform, EU-Hosting, keine Cookie-Banner nötig.
11. Tana
Use-Case: Recherche-Graph für Newsletter-Themen, Verbindungen zwischen News.
Preis: Gratis (Plus 8 USD/Monat).
Warum: Roam-Style Knowledge-Graph mit AI-Tagging, hilft bei Trend-Erkennung.
12. ProtonMail (Custom Domain)
Use-Case: hallo@, sponsoring@, datenschutz@ Forwarding.
Preis: 4 USD/Monat.
Warum: EU-Hosting (Schweiz), DSGVO-konform, eine eigene Domain für mehrere Aliases.
Gesamtkosten: ~150 USD/Monat. Nicht jedes Tool brauchst du — Claude + Make + beehiiv reichen für 80% des Setups.
Cold-Email-Templates für Solopreneure
Fünf Templates, die ich getestet hab. Keine „revolutionären Copywriting-Hacks" — direkt-respektvolle Mails, die geantwortet werden.
1. Sponsor-Pitch (Tool-Anbieter)
Subject: [Tool-Name] in aban news?
Hi [Name],
ich schreib aban news — daily DE-AI-Newsletter, [X] Subs
(viele DACH-Solopreneure und Marketer).
Ich teste [Tool] seit zwei Wochen für meinen Newsletter-
Workflow — die EU-Hosting-Story passt zu meinem Audience.
Wäre ein Sponsor-Slot interessant?
Format: ein Block am Anfang der Mittwoch-Ausgabe, klar
gekennzeichnet, max 80 Wörter. Preis 250 EUR/Tag im Pilot.
Wenn ja: Datum-Vorschlag? Wenn nein: kein Stress.
— Aban
abannews.com2. Newsletter-Swap-Anfrage
Subject: Swap zwischen aban news + [ihr Newsletter]?
Hi [Name],
ich les [ihr Newsletter] seit drei Monaten und mag den
Anti-Cringe-Style — passt zu meinem aban news (daily,
DE-AI-Fokus).
Idee: Wir machen einen gegenseitigen Empfehlungs-Block in
einer Ausgabe. Termin-Vorschlag KW XX?
Mein Reach: [X] Subs, Open-Rate ~45%. Falls deine Zahlen
ähnlich liegen, fairer Tausch.
Bei Interesse: kurze Antwort reicht.
— Aban3. Podcast-Pitch (Gast sein)
Subject: Gast bei [Podcast-Name]?
Hi [Name],
Folge XX mit [Gast] hab ich diese Woche gehört — der
Punkt über [konkrete Stelle] hat bei mir was angestoßen.
Ich schreib aban news — den ersten täglichen DE-AI-Newsletter.
Schwerpunkt: ehrliche Tool-Reviews, DSGVO-AI-Workflows für
KMU, Anti-Hype-Curation.
Themen die ich für eine Folge mitbringe:
- Wie ein Solopreneur Newsletter-Pipeline mit Make + Claude baut
- Wo DACH-AI-Adoption tatsächlich klemmt (mit Zahlen)
- Anti-Hype-Newsletter-Curation als Geschäftsmodell
Falls passt: ich pitche keine 5 Termine — sag mir was bei
dir geht, ich richte mich.
— Aban
abannews.com4. Tool-Empfehlung-Anfrage
Subject: Trial-Account für aban news Test?
Hi [Name],
ich schreib aban news (daily DE-AI-Newsletter) und such
ein Tool für [PROBLEM]. Eure Vergleichs-Tabelle und der
EU-Hosting-Hinweis lesen sich vielversprechend.
Ich teste Tools normalerweise 2 Wochen — wenn's mich
überzeugt, schreib ich drüber im Newsletter (ehrlich, auch
mit Kritik). Wenn nicht, hörst du nix von mir.
Frage: gibt es einen verlängerten Trial (über die 14 Tage),
damit ich genug Use-Cases sehe?
— Aban
abannews.com5. Kunden-Akquise (Beratung)
Subject: Newsletter-Setup für [Firma]?
Hi [Name],
ich seh ihr macht [konkrete Beobachtung über deren
Marketing-Setup, max 1 Satz].
Ich bau Newsletter-Pipelines für DACH-Solopreneure und
KMU — DSGVO-konform, Claude-basiert, halbautomatisch.
Bekannt durch aban news (mein eigener Newsletter).
Wenn ihr eure Newsletter-Frequenz oder Tonalität upgraden
wollt: 30-Min-Call, ich zeig euch das Setup live, dann
entscheidet ihr.
Nichts gewinnt, wenn ihr nicht antwortet — also: passt's
oder passt's nicht?
— Aban
abannews.comMehr davon?
In der nächsten Ausgabe schreibe ich wieder über ein Tool, einen Prompt und eine konkrete KI-Routine — gratis, ohne Email-Gate für andere Resourcen.